来源：期刊VIP网 时间：
作者：唐明珠;左佳文;王智弘;王展图;熊富强;
单位：长沙理工大学能源与动力工程学院;国网湖南省电力有限公司超高压变电公司;
摘要：主变压器是电力系统的核心设备，其运行状态直接影响电力系统的稳定性和安全性。声音信号作为主变压器状态的直接表征，为设备异常检测提供了一种非侵入式的监测手段。然而，异常数据稀缺及工况复杂的多样性，使得传统基于生成对抗网络的异常检测方法在潜在空间中难以有效区分正常数据与异常数据。针对这些问题，本文提出基于潜在变量正则化对抗的异常检测方法（latent regularization adversarial anomaly detection,LRAAD）。该方法通过重构生成对抗网络架构，将编码器改造为具有分布判别能力的智能判别器。生成对抗网络的判别器将输入的频谱图映射到一个标量值，表示输入图像是真实数据的概率。而LRAAD的判别器引入KL散度度量机制，使编码器能够通过潜在空间表征与标准正态分布的偏离度判别输入频谱图的真实性。这种判别方式使得编码器在判别过程中同步提取关键声纹特征，指导生成器合成更逼真的训练样本，从而学习到更真实的数据分布。实验基于主变压器声音实测数据集进行验证。结果表明：LRAAD在AUC和p-AUC指标上均显著优于其他基准模型，同时t-SNE可视化结果表明，LRAAD能够在潜在空间中实现异常样本的清晰分离。
关键词：主变压器;;异常声音检测;;潜在变量正则化;;无监督学习;;声音信号分析
基金资助：国家自然科学基金面上项目（62173050）;; 湖南省自然科学基金面上项目（2023JJ30051）;; 湖南省重大科技创新平台项目（2024JC1003）;; 湖南省研究生科研创新项目（QL20230214）
